უოტსონმა არ უკბინა ექიმს და ძალიან კარგად

მიუხედავად იმისა, რომ, როგორც ბევრ სხვა სფეროში, ექიმების ხელოვნური ინტელექტის ჩანაცვლების ენთუზიაზმი გარკვეულწილად შემცირდა დიაგნოსტიკური წარუმატებლობის სერიის შემდეგ, AI-ზე დაფუძნებული მედიცინის განვითარებაზე მუშაობა ჯერ კიდევ გრძელდება. იმის გამო, რომ, მიუხედავად ამისა, ისინი კვლავ გვთავაზობენ დიდ შესაძლებლობებს და შანსს გააუმჯობესონ ოპერაციების ეფექტურობა მის ბევრ სფეროში.

IBM გამოცხადდა 2015 წელს და 2016 წელს მან მიიღო წვდომა პაციენტთა მონაცემების ოთხი ძირითადი კომპანიის მონაცემებზე (1). ყველაზე ცნობილი, მრავალი მედიის გავრცელების წყალობით, და ამავე დროს ყველაზე ამბიციური პროექტი IBM-ის მოწინავე ხელოვნური ინტელექტის გამოყენებით, დაკავშირებული იყო ონკოლოგიასთან. მეცნიერები ცდილობდნენ გამოიყენონ მონაცემთა უზარმაზარი რესურსები მათ დასამუშავებლად, რათა გადაექციათ ისინი კარგად ადაპტირებული კიბოს საწინააღმდეგო თერაპიად. გრძელვადიანი მიზანი იყო უოტსონის მსაჯობა კლინიკურ კვლევებში და შედეგები, როგორც ექიმი.

1. Watson Health-ის სამედიცინო სისტემის ერთ-ერთი ვიზუალიზაცია

თუმცა აღმოჩნდა, რომ უოტსონი არ შეუძლია დამოუკიდებლად მიმართოს სამედიცინო ლიტერატურას და ასევე არ შეუძლია ინფორმაციის ამოღება პაციენტების ელექტრონული სამედიცინო ჩანაწერებიდან. თუმცა, მის მიმართ ყველაზე მძიმე ბრალდება ის იყო ახალი პაციენტის ეფექტური შედარება სხვა ხანდაზმულ კიბოს პაციენტებთან და ერთი შეხედვით უხილავი სიმპტომების გამოვლენის შეუძლებლობა.

მართალია, იყვნენ ზოგიერთი ონკოლოგები, რომლებიც აცხადებდნენ, რომ სჯეროდათ მის განსჯაში, თუმცა ძირითადად უოტსონის წინადადებების თვალსაზრისით სტანდარტული მკურნალობის შესახებ ან როგორც დამატებითი, დამატებითი სამედიცინო დასკვნა. ბევრმა აღნიშნა, რომ ეს სისტემა იქნება შესანიშნავი ავტომატური ბიბლიოთეკარი ექიმებისთვის.

IBM-ის არც თუ ისე მაამებელი მიმოხილვების შედეგად პრობლემები Watson სისტემის გაყიდვასთან დაკავშირებით აშშ-ს სამედიცინო დაწესებულებებში. IBM-ის გაყიდვების წარმომადგენლებმა მოახერხეს მისი გაყიდვა ინდოეთის, სამხრეთ კორეის, ტაილანდისა და სხვა ქვეყნების ზოგიერთ საავადმყოფოში. ინდოეთში ექიმებმა () შეაფასეს უოტსონის რეკომენდაციები ძუძუს კიბოს 638 შემთხვევისთვის. მკურნალობის რეკომენდაციების შესაბამისობის მაჩვენებელი არის 73%. უარესი უოტსონი სწავლა მიატოვა გაჩონის სამედიცინო ცენტრში სამხრეთ კორეაში, სადაც მისი საუკეთესო რეკომენდაციები კოლორექტალური კიბოს 656 პაციენტისთვის ემთხვეოდა ექსპერტთა რეკომენდაციებს შემთხვევების მხოლოდ 49 პროცენტში. ექიმებმა ეს შეაფასეს უოტსონს არ ჰქონდა კარგი ურთიერთობა ხანდაზმულ პაციენტებთანვერ შესთავაზეს მათ გარკვეული სტანდარტული მედიკამენტები და დაუშვა კრიტიკული შეცდომა და ჩაატარა აგრესიული მკურნალობა მეტასტაზური დაავადების მქონე ზოგიერთ პაციენტზე.

საბოლოო ჯამში, მიუხედავად იმისა, რომ მისი, როგორც დიაგნოსტიკისა და ექიმის მუშაობა წარუმატებლად ითვლება, არის სფეროები, რომლებშიც ის ძალიან სასარგებლო აღმოჩნდა. პროდუქტი უოტსონი გენომიკისთვის, რომელიც შეიქმნა ჩრდილოეთ კაროლინის უნივერსიტეტთან, იელის უნივერსიტეტთან და სხვა ინსტიტუტებთან თანამშრომლობით, გამოიყენება ონკოლოგებისთვის მოხსენებების მომზადების გენეტიკური ლაბორატორიები. Watson ჩამოტვირთავს სიის ფაილს გენეტიკური მუტაციები პაციენტში და შეუძლია შექმნას მოხსენება წუთებში, რომელიც მოიცავს წინადადებებს ყველა მნიშვნელოვანი წამლისა და კლინიკური კვლევებისთვის. უოტსონი შედარებით მარტივად ამუშავებს გენეტიკურ ინფორმაციასრადგან ისინი წარმოდგენილია სტრუქტურირებულ ფაილებში და არ შეიცავს ორაზროვნებას - ან არის მუტაცია, ან არ არსებობს მუტაცია.

IBM-ის პარტნიორებმა ჩრდილოეთ კაროლინას უნივერსიტეტში 2017 წელს გამოაქვეყნეს ნაშრომი ეფექტურობის შესახებ. უოტსონმა აღმოაჩინა პოტენციურად მნიშვნელოვანი მუტაციები, რომლებიც არ იყო გამოვლენილი ადამიანთა კვლევებით მათ 32%-ში. პაციენტები სწავლობდნენ, რაც მათ ახალი წამლის კარგ კანდიდატად აქცევდა. თუმცა, ჯერ კიდევ არ არსებობს მტკიცებულება, რომ გამოყენება იწვევს უკეთესი მკურნალობის შედეგებს.

ცილების მოშინაურება

ეს და მრავალი სხვა მაგალითი ხელს უწყობს მზარდ რწმენას, რომ ჯანდაცვაში ყველა ხარვეზი აღმოიფხვრება, მაგრამ ჩვენ უნდა ვეძებოთ ის სფეროები, სადაც ამან ნამდვილად შეიძლება დაგვეხმაროს, რადგან ხალხი იქ არც ისე კარგად მუშაობს. ასეთი სფეროა, მაგალითად, ცილის კვლევა. გასულ წელს გაჩნდა ინფორმაცია, რომ მას შეეძლო ცილების ფორმის ზუსტი პროგნოზირება მათი თანმიმდევრობის საფუძველზე (2). ეს არის ტრადიციული ამოცანა, რომელიც აღემატება არა მხოლოდ ხალხის, არამედ ძლიერი კომპიუტერების ძალასაც კი. თუ ჩვენ დავეუფლებით ცილის მოლეკულების გადახვევის ზუსტ მოდელირებას, გენოთერაპიისთვის უზარმაზარი შესაძლებლობები იქნება. მეცნიერები იმედოვნებენ, რომ AlphaFold-ის დახმარებით ათასობით ადამიანის ფუნქციებს შევისწავლით და ეს, თავის მხრივ, საშუალებას მოგვცემს გავიგოთ მრავალი დაავადების გამომწვევი მიზეზი.

სურათი 2. ცილის გადახვევა მოდელირებული DeepMind's AlphaFold-ით.

ახლა ჩვენ ვიცით ორასი მილიონი ცილა, მაგრამ ჩვენ სრულად გვესმის მათი მცირე ნაწილის სტრუქტურა და ფუნქცია. ცილები ეს არის ცოცხალი ორგანიზმების ძირითადი სამშენებლო მასალა. ისინი პასუხისმგებელნი არიან უჯრედებში მიმდინარე პროცესების უმეტესობაზე. როგორ მუშაობენ და რას აკეთებენ ისინი განისაზღვრება მათი 50D სტრუქტურით. ისინი იღებენ შესაბამის ფორმას ყოველგვარი ინსტრუქციის გარეშე, ხელმძღვანელობენ ფიზიკის კანონებით. ათწლეულების განმავლობაში ექსპერიმენტული მეთოდები იყო ცილების ფორმის განსაზღვრის მთავარი მეთოდი. XNUMX-იან წლებში გამოყენება რენტგენის კრისტალოგრაფიული მეთოდები. ბოლო ათწლეულში ის გახდა კვლევის არჩევის ინსტრუმენტი. ბროლის მიკროსკოპია. 80-90-იან წლებში დაიწყო მუშაობა კომპიუტერების გამოყენებაზე ცილების ფორმის დასადგენად. თუმცა, შედეგებმა მეცნიერები მაინც ვერ დააკმაყოფილა. მეთოდები, რომლებიც მუშაობდა ზოგიერთ ცილაზე, არ მუშაობდა სხვებზე.

უკვე 2018 წელს ალფაფოლდი მიიღო აღიარება ექსპერტებისგან ცილის მოდელირება. თუმცა, იმ დროს ის იყენებდა სხვა პროგრამებთან ძალიან მსგავს მეთოდებს. მეცნიერებმა შეცვალეს ტაქტიკა და შექმნეს სხვა, რომელშიც ასევე გამოიყენეს ინფორმაცია ცილის მოლეკულების დაკეცვის ფიზიკური და გეომეტრიული შეზღუდვების შესახებ. ალფაფოლდი არათანაბარი შედეგი მისცა. ხან უკეთესი იყო, ხან უარესი. მაგრამ მისი პროგნოზების თითქმის ორი მესამედი დაემთხვა ექსპერიმენტული მეთოდებით მიღებულ შედეგებს. მე-2 წლის დასაწყისში ალგორითმმა აღწერა SARS-CoV-3 ვირუსის რამდენიმე ცილის სტრუქტურა. მოგვიანებით გაირკვა, რომ Orf2020a ცილის პროგნოზები შეესაბამება ექსპერიმენტულად მიღებულ შედეგებს.

საუბარია არა მხოლოდ ცილების დაკეცვის შიდა გზების შესწავლაზე, არამედ დიზაინზეც. NIH BRAIN ინიციატივის მკვლევარებმა გამოიყენეს მანქანა სწავლა შექმენით პროტეინი, რომელსაც შეუძლია თვალყური ადევნოს ტვინის სეროტონინის დონეს რეალურ დროში. სეროტონინი არის ნეიროქიმიური ნივთიერება, რომელიც მნიშვნელოვან როლს ასრულებს იმაში, თუ როგორ აკონტროლებს ტვინი ჩვენს აზრებს და გრძნობებს. მაგალითად, ბევრი ანტიდეპრესანტი შექმნილია სეროტონინის სიგნალების შესაცვლელად, რომლებიც გადაეცემა ნეირონებს შორის. ჟურნალ Cell-ში გამოქვეყნებულ სტატიაში მეცნიერებმა აღწერეს, თუ როგორ იყენებენ მოწინავეებს გენეტიკური ინჟინერიის მეთოდები გადააქციეთ ბაქტერიული ცილა ახალ კვლევით ინსტრუმენტად, რომელიც ხელს შეუწყობს სეროტონინის გადაცემის თვალყურის დევნებას უფრო დიდი სიზუსტით, ვიდრე არსებული მეთოდები. პრეკლინიკურმა ექსპერიმენტებმა, ძირითადად თაგვებზე, აჩვენა, რომ სენსორს შეუძლია მყისიერად აღმოაჩინოს ტვინის სეროტონინის დონის დახვეწილი ცვლილებები ძილის, შიშისა და სოციალური ურთიერთობის დროს და შეამოწმოს ახალი ფსიქოაქტიური წამლების ეფექტურობა.

პანდემიასთან ბრძოლა ყოველთვის წარმატებული არ ყოფილა

ყოველივე ამის შემდეგ, ეს იყო პირველი ეპიდემია, რომლის შესახებაც დავწერეთ MT-ში. თუმცა, მაგალითად, თუ ვსაუბრობთ პანდემიის განვითარების პროცესზე, მაშინ საწყის ეტაპზე ხელოვნური ინტელექტი რაღაც წარუმატებლად ჩანდა. მეცნიერები ამას ჩივიან ხელოვნური ინტელექტი წინა ეპიდემიების მონაცემებზე დაყრდნობით ვერ იწინასწარმეტყველებს კორონავირუსის გავრცელების მასშტაბებს. ”ეს გადაწყვეტილებები კარგად მუშაობს ზოგიერთ სფეროში, როგორიცაა სახეების ამოცნობა, რომლებსაც აქვთ გარკვეული რაოდენობის თვალები და ყურები. SARS-CoV-2 ეპიდემია ეს არის მანამდე უცნობი მოვლენები და ბევრი ახალი ცვლადი, ამიტომ ხელოვნური ინტელექტი, რომელიც დაფუძნებულია ისტორიულ მონაცემებზე, რომელიც გამოიყენებოდა მის მოსამზადებლად, კარგად არ მუშაობს. პანდემიამ აჩვენა, რომ ჩვენ უნდა ვეძებოთ სხვა ტექნოლოგიები და მიდგომები“, - თქვა მაქსიმ ფედოროვმა Skoltech–დან 2020 წლის აპრილის განცხადებაში რუსული მედიისთვის.

დროთა განმავლობაში იყო თუმცა ალგორითმები, რომლებიც, როგორც ჩანს, ადასტურებენ ხელოვნური ინტელექტის დიდ სარგებლიანობას COVID-19-თან ბრძოლაში. მეცნიერებმა აშშ-ში 2020 წლის შემოდგომაზე შეიმუშავეს სისტემა, რათა ამოიცნონ ხველის დამახასიათებელი შაბლონები COVID-19-ით დაავადებულ ადამიანებში, მაშინაც კი, თუ მათ სხვა სიმპტომები არ ჰქონდათ.

როდესაც ვაქცინები გამოჩნდა, გაჩნდა იდეა მოსახლეობის ვაქცინაციაში დახმარება. მას შეეძლო, მაგალითად დაეხმარეთ ვაქცინების ტრანსპორტირებისა და ლოჯისტიკის მოდელირებას. ასევე იმის განსაზღვრისას, თუ რომელი პოპულაციები უნდა ჩატარდეს პირველი ვაქცინაცია, რომ უფრო სწრაფად გაუმკლავდეთ პანდემიას. ის ასევე ხელს შეუწყობს მოთხოვნის პროგნოზირებას და ვაქცინაციის დროისა და სიჩქარის ოპტიმიზაციას ლოჯისტიკაში არსებული პრობლემებისა და შეფერხებების სწრაფად იდენტიფიცირებით. ალგორითმების ერთობლიობამ მუდმივ მონიტორინგთან ერთად ასევე შეიძლება სწრაფად მოგვაწოდოს ინფორმაცია შესაძლო გვერდითი ეფექტებისა და ჯანმრთელობის მოვლენების შესახებ.

Эти სისტემები ხელოვნური ინტელექტის გამოყენებით ჯანდაცვის ოპტიმიზაციასა და გაუმჯობესებაში უკვე ცნობილია. დაფასდა მათი პრაქტიკული უპირატესობები; მაგალითად, ჯანდაცვის სისტემა, რომელიც შემუშავებულია Macro-Eyes-ის მიერ აშშ-ში, სტენფორდის უნივერსიტეტში. როგორც ბევრ სხვა სამედიცინო დაწესებულებაშია, პრობლემა იყო პაციენტთა ნაკლებობა, რომლებიც არ გამოცხადდნენ პაემნებზე. მაკრო თვალები ააშენა სისტემა, რომელსაც შეეძლო საიმედოდ წინასწარ განსაზღვრა, თუ რომელი პაციენტები არ იქნებოდნენ იქ. ზოგიერთ სიტუაციაში, მას ასევე შეუძლია შესთავაზოს კლინიკების ალტერნატიული დრო და ლოკაცია, რაც გაზრდის პაციენტის გამოჩენის შანსებს. მოგვიანებით მსგავსი ტექნოლოგია გამოიყენეს სხვადასხვა ადგილას არკანზასიდან ნიგერიამდე, კერძოდ, აშშ-ის საერთაშორისო განვითარების სააგენტოს მხარდაჭერით.

ტანზანიაში Macro-Eyes მუშაობდა პროექტზე, რომლის მიზანი იყო ბავშვის იმუნიზაციის მაჩვენებლების გაზრდა. პროგრამულმა პროგრამამ გააანალიზა ვაქცინის რამდენი დოზა უნდა გაიგზავნოს მოცემულ ვაქცინაციის ცენტრში. მან ასევე შეძლო შეეფასებინა, თუ რომელ ოჯახებს შეეძლოთ არ სურდეთ შვილების ვაქცინაცია, მაგრამ მათი დარწმუნება შეიძლებოდა შესაბამისი არგუმენტებით და ვაქცინაციის ცენტრის მოხერხებულ ადგილას მდებარეობით. ამ პროგრამული უზრუნველყოფის გამოყენებით ტანზანიის მთავრობამ შეძლო იმუნიზაციის პროგრამის ეფექტურობის გაზრდა 96%-ით. და შეამციროს ვაქცინების ნარჩენები 2,42-მდე 100 ადამიანზე.

სიერა ლეონეში, სადაც მაცხოვრებლების ჯანმრთელობის მონაცემები არ იყო დაკარგული, კომპანია ცდილობდა დაემთხვა ეს ინფორმაცია განათლების შესახებ. აღმოჩნდა, რომ მხოლოდ მასწავლებლებისა და მათი მოსწავლეების რაოდენობა საკმარისი იყო 70 პროცენტის პროგნოზირებისთვის. სიზუსტეს აქვს თუ არა ადგილობრივ კლინიკას სუფთა წყალზე წვდომა, რაც უკვე იქ მცხოვრები ადამიანების ჯანმრთელობის შესახებ მონაცემების კვალია (3).

3. მაკრო-თვალების ილუსტრაცია AI-ზე ორიენტირებული ჯანდაცვის პროგრამების აფრიკაში.

მითი მანქანა ექიმის შესახებ არ ქრება

წარუმატებლობის მიუხედავად უოტსონი ახალი დიაგნოსტიკური მიდგომები ჯერ კიდევ მუშავდება და ითვლება უფრო და უფრო მოწინავედ. შედარება გაკეთდა შვედეთში 2020 წლის სექტემბერში. გამოიყენება ძუძუს კიბოს დიაგნოსტიკაში აჩვენა, რომ მათგან საუკეთესო მუშაობს ისევე, როგორც რადიოლოგი. ალგორითმები შემოწმებულია რუტინული სკრინინგის დროს მიღებული თითქმის ცხრა ათასი მამოგრაფიული სურათის გამოყენებით. სამმა სისტემამ, სახელწოდებით AI-1, AI-2 და AI-3, მიაღწია სიზუსტეს 81,9%, 67%. ხოლო 67,4%. შედარებისთვის, რადიოლოგებისთვის, რომლებიც ამ სურათებს ინტერპრეტაციას უკეთებენ, როგორც პირველს, ეს მაჩვენებელი იყო 77,4%, ხოლო იმ შემთხვევაში, რადიოლოგებივინ იყო მეორე, ვინც აღწერა ეს იყო 80,1 პროცენტი. საუკეთესო ალგორითმებს ასევე შეეძლოთ დაედგინათ შემთხვევები, რომლებიც რადიოლოგებმა გამოტოვეს სკრინინგის დროს და ქალებს ერთ წელზე ნაკლებ დროში დაუდგინეს ავადმყოფობის დიაგნოზი.

მკვლევარების აზრით, ეს შედეგები ამას ადასტურებს ხელოვნური ინტელექტის ალგორითმები დაეხმარეთ რენტგენოლოგების მიერ დაყენებული ცრუ-უარყოფითი დიაგნოზის გამოსწორებას. AI-1-ის შესაძლებლობების გაერთიანებამ საშუალო რენტგენოლოგთან გაზარდა ძუძუს კიბოს გამოვლენილი შემთხვევების რაოდენობა 8%-ით. სამეფო ინსტიტუტის გუნდი, რომელიც ატარებს ამ კვლევას, მოელის, რომ ხელოვნური ინტელექტის ალგორითმების ხარისხი გაგრძელდება. ექსპერიმენტის სრული აღწერა გამოქვეყნდა JAMA Oncology-ში.

W ხუთპუნქტიან შკალაზე. ამჟამად ჩვენ ვხედავთ მნიშვნელოვან ტექნოლოგიურ აჩქარებას და IV დონეს (მაღალი ავტომატიზაცია), როდესაც სისტემა დამოუკიდებლად ავტომატურად ამუშავებს მიღებულ მონაცემებს და სპეციალისტს წინასწარ გაანალიზებულ ინფორმაციას აწვდის. ეს დაზოგავს დროს, თავიდან აიცილებს ადამიანურ შეცდომებს და უზრუნველყოფს პაციენტის უფრო ეფექტურ მოვლას. ასე განსაჯა რამდენიმე თვის წინ სტენ A.I. მასთან დაახლოებული მედიცინის დარგში პროფ. იანუშ ბრაზიევიჩი პოლონური ბირთვული მედიცინის საზოგადოებისგან განცხადებაში პოლონური პრესის სააგენტოსთვის.

4. სამედიცინო სურათების მანქანით დათვალიერება

ალგორითმები, ისეთი ექსპერტების აზრით, როგორიცაა პროფ. ბრაზიევიჩითუნდაც შეუცვლელი ამ ინდუსტრიაში. მიზეზი არის დიაგნოსტიკური გამოსახულების ტესტების რაოდენობის სწრაფი ზრდა. მხოლოდ 2000-2010 წლებში. MRI გამოკვლევებისა და გამოკვლევების რაოდენობა ათჯერ გაიზარდა. სამწუხაროდ, ხელმისაწვდომი სპეციალისტების რაოდენობა, რომლებსაც შეეძლოთ მათი სწრაფი და საიმედო ჩატარება, არ გაიზარდა. ასევე არის კვალიფიციური ტექნიკოსების დეფიციტი. AI-ზე დაფუძნებული ალგორითმების დანერგვა დაზოგავს დროს და იძლევა პროცედურების სრულ სტანდარტიზაციას, ასევე ადამიანური შეცდომის თავიდან აცილებას და პაციენტებისთვის უფრო ეფექტური, პერსონალიზებული მკურნალობის საშუალებას.

როგორც აღმოჩნდა, ასევე სასამართლო მედიცინა შეუძლია ისარგებლოს ხელოვნური ინტელექტის განვითარება. ამ დარგის სპეციალისტებს შეუძლიათ გარდაცვლილის სიკვდილის ზუსტი დროის დადგენა ჭიებისა და სხვა არსებების სეკრეციის ქიმიური ანალიზით, რომლებიც მკვდარი ქსოვილებით იკვებებიან. პრობლემა ჩნდება, როდესაც ანალიზში შედის სხვადასხვა ტიპის ნეკროფაგების სეკრეციის ნარევები. სწორედ აქ მოქმედებს მანქანათმცოდნეობა. ალბანის უნივერსიტეტის მეცნიერებმა შეიმუშავეს ხელოვნური ინტელექტის მეთოდი, რომელიც ჭიების სახეობების უფრო სწრაფად იდენტიფიკაციის საშუალებას იძლევა მათი „ქიმიური თითის ანაბეჭდების“ საფუძველზე. გუნდმა ავარჯიშა თავისი კომპიუტერული პროგრამა ექვსი სახეობის ბუზის ქიმიური სეკრეციის სხვადასხვა კომბინაციის ნარევების გამოყენებით. მან გაშიფრა მწერების ლარვების ქიმიური ნიშნები მასის სპექტრომეტრიის გამოყენებით, რომელიც განსაზღვრავს ქიმიკატებს იონის მასისა და იონის ელექტრულ მუხტთან თანაფარდობის ზუსტი გაზომვით.

თუმცა, როგორც ხედავთ AI, როგორც გამომძიებელი დეტექტივი არ არის ძალიან კარგი, ის შეიძლება იყოს ძალიან სასარგებლო სასამართლო ლაბორატორიაში. შესაძლოა, ამ ეტაპზე მისგან ძალიან ბევრს ველოდით, ალგორითმების მოლოდინში, რომლებიც ექიმებს უმუშევრად დააყენებდნენ (5). როცა ვუყურებთ ხელოვნური ინტელექტი უფრო რეალურად, კონკრეტულ პრაქტიკულ სარგებელზე ფოკუსირება და არა ზოგადად, მისი კარიერა მედიცინაში კვლავ ძალიან პერსპექტიულად გამოიყურება.

5. ექიმის მანქანის ხედვა